机构人群的智慧

这种频率可能太低，无法调查个人行为的动态，但这不是一个问题，因为我们关注的是投资结构的总体和静态表示。讨论和结论虽然WoC通常适用于集体猜测单个数字的人群，但我们在此调查了一种根本不同的情况，并为资产所有权结构的集体功能优化提供了证据。引用函数应该是什么由最优性参数决定的。就金融市场而言，理性基准与有效市场假说无关，而是与大量专业基金经理构建投资组合的方式有关。虽然每个基金都有自己的基准，可以根据其评估基金绩效，但幸运的是，这对其投资组合的平均结构没有明显的影响。此外，WoC通常是指非专家的集体猜测；一个Thusma可能得出结论，这里调查的人群比其他WoC研究的对象具有更多的专业知识。典型的基金经理拥有什么样的专业知识并不明显，至少从他们的纯业绩来看是如此（见例[20]）。此外，投资组合中资产数量与资产价值之间的最佳关系在这些圈子中显然并不广为人知，如图1中与理想情况的巨大偏差所示，只有当他们的决策被适当平均时，集体经验才会出现。

当对象面临强大约束时，WoC的存在，如高度多元化的基金，更具猜测性，在这方面需要更多的工作。在更高的层面上，我们的结果表明，虽然个人可能与理性预期理论有很大的偏差，但标准经济理论可能在集体层面上成立，而不需要宏观的个人决策：在某些情况下，平均决策可能由理性的、有代表性的代理人来近似。然而，我们的结果只保留了系统的一个快照，对于该快照，可以平均出各个函数。在动态环境中，在存在反馈回路的情况下，与理性基准的非常大的偏差可能不会被忽略[21]。换言之，这些波动的动力学本身值得研究。确认。Gualdi感谢Labex Louis Bachelier（项目编号ANR 11-LABX-0019）的支持参考文献[1]Surowiecki J.《群众的智慧》。锚2005年【2】高尔顿·F·Vox populi（《群众的智慧》）。自然界1907年；75:450–51。[3] Hill S，Ready Campbell N.《专家选股：人群的智慧》。国际电子商务杂志。2011年；15（3）：73–102。[4] Landemore他。为什么多数人比少数人聪明，为什么这很重要。公共审议杂志。2012年；8（1）。[5] 网络上的人群比专家更聪明吗？股票预测社区的案例。商业经济学杂志。2014年；84（3）：303–338。[6] Davis Stober CP、Budescu DV、Dana J、Broomell SB。什么时候是群体智慧？决定2014年；1（2）：79。[7] Lorenz J、Rauhut H、Schweitzer F、Helbing D.社会影响如何破坏群体智慧效应。美国国家科学院学报。2011年；108（22）：9020–9025。[8] Muchnik L、Aral S、Taylor SJ。社会影响偏向：一项随机实验。科学2013年；341（6146）：647–651。[9] 霍加思RM。

关于汇总意见的说明。组织行为与人的绩效。1978年；21（1）：40–46。[10] Hartley JE，Hartley JE。宏观经济学的代表人物。路线图；2002年。【11】科尔曼·阿姆，普尔福德·BD，罗斯·J。互动决策中的集体理性：团队推理的证据。心理学报。2008年；128（2）：387–397。[12] Kirman美联社。代表个人代表谁或代表什么？《经济展望杂志》。1992年；6（2）：117–136。VII【13】H"ardle W，Kirman A.《非经典需求：马赛鱼市场价格-数量关系的无模型检验》。计量经济学杂志。1995年；67:227–257。[14] Malkiel BG，Fama EF。有效资本市场：对理论和实证工作的回顾。《金融杂志》。1970年；25（2）：383–417。[15] 马尔基尔背景。有效市场假说及其批评者。《经济展望杂志》。2003年；17（1）：59–82。[16] Fama EF公司。市场效率、长期回报和行为融资。金融经济学杂志。1998年；49（3）：283–306。[17] de Lachapelle DM，Challet D.《真实交易者的营业额、账户价值和多元化：集体投资组合优化行为的证据》。新物理杂志。2010年；12（7）：075039。[18] Bouchaud日本。价格影响。定量金融百科全书。2010年；。[19] 克利夫兰WS，格罗斯E，西澳大利亚Shyu。局部回归模型。S.1992中的统计模型；2： 309–376。[20] Barras L、Scaillet O、Wermers R.《共同基金业绩的错误发现：在估计的Alpha中衡量运气》。《金融杂志》。2010年；65（1）：179–216。【21】Gualdi S、Tarzia M、Zamponi F、Bouchaud JP。宏观经济主体模型的临界点。经济动力与控制杂志。2015年；50:29–61。[22]Muggeo VM。估计具有未知断点的回归模型。

医学统计学。2003年；22（19）：3055–3071。VIII图4：顶部：所有证券的市值与投资者数量的函数关系。下图：美国总市值相对于总市值的时间演变。支持信息（SI）4过滤器为了消除数据集中的不一致性，我们采用了以下过滤器4.1原产国我们的数据集稀疏且异构。事实上，数据来源的质量与每个国家的披露法规直接相关。出于这些原因，我们决定只保留使用美国邮件地址的实体。数据集总市值的约60%集中于美国证券。图4显示了两个大的点云，每个点云对应一个不同的来源区域：绿色（分别为橙色）云对应于非美国（分别为美国）证券。这两个地区之间这种巨大差异的根源尚不清楚：例如，它可能来自IX图5：数据库中基金和证券数量的时间演变Nα。虚线未过滤，实线仅基于US。非美国国家的法规差异。事实证明，美国和非美国资产的投资价值比率随时间变化很小（见图4），这不会影响公式1中的指数u。因此，我们专注于美国证券。4.2频率大型基金应根据适用法规的频率报告其头寸。因此，报告频率从每月到每年不等，大多数基金会编制季度报告。因此，我们关注后者。4.3便士股“便士股”，即通常在美国每股交易低于5美元的证券，不在国家交易所上市。

由于它们被视为高度投机性投资，并且受到不同法规的约束，我们将其过滤掉。4.4 Sizew还过滤了小型基金和证券，并应用了以下过滤器：fWi>10USD，Cα>10USD，ni≥ 5，mα≥ 10.4.5输出我们将研究限制在36个季度快照，从2005年第一季度开始，到2013年最后一季度结束。图5报告了筛选前后数据库中证券和基金数量的变化。X5资产选择建模本文介绍的框架遵循以下一系列基本步骤。该模型的目的是对支配基金投资组合选择的不同约束条件敏感。5.1发现n*对于日期t，我们定义了交叉点n*在局部多项式回归中出现的两个区域之间。我们通过模型W=u<n+（u>- u<）（n- n*)θ（n- n*), （5） 其中θ（x）是Heaviside函数。我们使用递归方法查找参数u<、u>和n*[22]。图11显示n*作为时间的函数是稳定的。5.2小型多元化地区的资产选择ni<n*在这个地区，我们认为等权投资组合假设是正确的。每个位置都有一个sizeWinopti，其中nopti是使用等式1计算的最佳位置数。基金以与Cα成比例的概率随机选择资产。此外，为了构建一个加权相等的投资组合，只有当头寸大小为sizeWinopti时，头寸才有效。5.3大型多元化地区的资产选择ni≥ n*在该地区，流动性限制使得基金更难保持同等权重的投资组合，因此投资组合价值分布在更多的资产上。

我们在此提出了一个基于两个主要成分的资产选择随机模型：第一，基金i选择资产α的概率取决于基金的多元化程度和资产α资本化的规模排名，投资受到资产α市值分数的硬约束。我们选择了一种证券选择机制，该机制基于证券α的资本化等级，定义为ρα=rαM，其中rα是资本化等级Cα，M是给定时间的证券数量。然后通过对每个对数箱中的β分布进行参数拟合，获得选择概率P（Wiα>0 |ρα）。请注意，我们在低分化地区不使用相同的基于排名的选举机制，因为在这种情况下，很难与贝塔分布有良好的契合度。然而，这只是一个小问题，因为资本化近似幂律分布，两种选择机制基本上是等效的（排名与资本化的幂成正比），而且两种情况下的结果确实非常相似。图6显示，2013年3月31日，基金投资级别的分布对其多元化非常敏感。贝塔分布仅限于[0，1]区间，其灵活性足以描述基金的资产选择机制。f（x；a，b）=b（a，b）xa-1（1- x） b类-1，（6）其中a和b是分布的形状参数，b是归一化常数。XI图6：顶部：考虑到基金的多元化，投资于按比例资本化排名ρ的证券的经验概率密度函数。底部：根据模型，考虑到基金的多元化，投资于按比例资本化等级ρ的证券的概率密度函数。XII图7：β分布6的系数a和系数b作为ni的函数。

线性函数仅为foreye指南。最大投资比率基金限制其对特定资产的投资。它们似乎遵循一个简单的规则：定义投资比率fi，α=WiαCα，在图8中可以很容易地看到，每个基金的最大投资比率max=maxαWiαCα（7） 由于资产的平均美元兑换量与其资本化成比例（图10），因此Fmax的存在是说明可用流动性的一种方法。虽然这一限制对于单个基金来说是明确的，但最大化的经验值范围很大。9.6模拟通过几个简单的步骤进行模拟：1。计算n*使用分段模型方程5.2。选择一个基金i，其中包含多个资产ni。3、如果ni<n*:（a） 使用公式1计算其最佳投资组合价值。该基金将投资于每个职位。（b） 以与Cα成比例的概率随机选择资产。4、否则，如果ni≥ n*:（a） 计算其Fmax，以便基金i将Fmax投资于niassets。XIII图8：基金持有证券市值的一部分。每种颜色代表不同的基金。前几名：多元化程度较高的基金（ni>800）。我们可以清楚地看到大多数基金的界限，对应于最大分数Fmax。Fmax的价值从一个基金到另一个基金有很大的不同。底部：多元化程度低（ni<60）的基金，Fmaxidons\'tappear。XIV图9：所有基金的Fmax经验概率密度函数。（b） 按照图6中的贝塔概率分布和图7中的参数随机选择资产。通过迭代这些步骤，我们得到图1，因为模拟输出了每个基金的投资组合，我们可以直接推断每个证券的投资者数量mα。XV图10：市值作为每日交易量美元的函数。

我们发现数据库中所有日期的斜率均接近1，这证实了资产每日交易量美元与其市值成比例的假设。XVI图11：顶部：系数u<、u>和γ的时间演变。底部：交叉点n值的时间演变*作为时间函数的两个区域之间。在2008年危机之后，它达到了全球最低水平。十七图12：我们将贡献与低多样性和高度多样性地区分开。图3中观察到的差异来源似乎主要是由于高度多样化的区域（经验数据为绿点，模型为橙色点）。十八